基于MATLAB的車牌識別系統(tǒng)

引言

如今，汽車走進尋常百姓家庭已經(jīng)是常事，汽車的擁有人數(shù)也不斷增加。但是全世界各國的交通堵塞、交通事故越來越影響著人們生活質(zhì)量，人們也越來越重視城市道路的交通狀況問題，面對這問題，研究技術(shù)人員將電子信息技術(shù)、計算機理論技術(shù)、傳感器技術(shù)集成運用于道路交通的實際需求，研究開發(fā)出了智能交通系統(tǒng)[1]。

車牌識別(VLPR)[2]是智能交通系統(tǒng)中的一個重要組成部分，應(yīng)用相當廣泛。它是以數(shù)字圖像處理、模式識別、計算機視覺等技術(shù)為基礎(chǔ)，對所拍攝的車輛圖像或者視頻序列進行分析，得到每輛汽車唯一的車牌號碼，進而完成車牌識別的過程[3]。

一、車牌識別系統(tǒng)設(shè)計原理

車牌識別過程大致可以分為：車牌圖像獲取，圖像預(yù)處理，對圖像中的車牌位置進行粗定位，將車牌從車牌圖像中分割出來，對車牌的字符進行比對識別，輸出識別的完整車牌圖像。以下圖1是車牌識別的流程圖：

圖1 車牌識別系統(tǒng)工作流程

二、車牌圖像的預(yù)處理

圖像的預(yù)處理在后面的圖像處理中起到非常重要的作用，并且直接決定著圖像處理最終的結(jié)果。圖像預(yù)處理包括圖像的二值化，圖像均衡化處理，圖像濾波，圖像的腐蝕和膨脹[4～5]等等。

(一)車牌圖像的采集

現(xiàn)階段對車牌圖像的采集都是基于CCD攝像頭，環(huán)境不同，采集的圖像受到干擾的程度也不相同，針對不同的環(huán)境，比如，光線太強，有霧等等，在后面的要針對這些不同因素選擇不同的處理方式，下面以正常光照的條件下的車牌圖片為例說明整個處理過程：

圖2 原始圖像

(二)彩色圖像變換為灰度圖像

將彩色圖像變換為灰度圖像對于后續(xù)操作更有利，比如變換后圖像的對比度增大了，圖像更清晰，各個要素易于區(qū)分等。如圖3所示是講原始圖片變換為灰度圖像：:

圖3 灰度圖像

(三)車牌圖像的邊緣檢測

邊緣檢測目的是尋找連續(xù)的區(qū)域，便于車牌的分割。圖像進行邊緣檢測是根據(jù)局部灰度值的變化，紋理的改變，來檢測出車牌區(qū)域內(nèi)的邊緣信息，并提取符合車牌的特征。圖像處理中邊緣檢測有很多檢測算法，比如Sobel算子、Prewitt算子等，本文采用的是Canny算子邊緣檢測算子，結(jié)果如圖4所示。

圖4 Canny算子邊緣檢測后的圖像

(四)圖像的增強

圖像的增強適用于加強圖片中的有用信息，處理結(jié)果有利于后續(xù)對圖像進行的操作。

1.車牌圖像的腐蝕和填充

圖像腐蝕的目的是擴大邊緣檢測的結(jié)果，并且可以消除一些無用的信息，同時可以改變圖像的連通性。腐蝕后的圖像如圖5所示：

圖5 腐蝕后的邊緣圖像

對腐蝕之后的邊緣圖像進行填充有利于車牌區(qū)域的定位，填充圖像如下：

圖6 填充后圖像

2.形態(tài)學(xué)濾波

形態(tài)濾波方法主要采用形態(tài)學(xué)開、閉運算進行濾波操作，這點充分利用了形態(tài)學(xué)運算具有的非常好的幾何特征和代數(shù)屬性。形態(tài)學(xué)濾波可以濾除邊緣圖像上的噪聲，在車牌識別中采用形態(tài)學(xué)濾波有利于進行車牌定位的判斷。下圖是形態(tài)學(xué)濾波后的圖像：

圖7 形態(tài)學(xué)濾波后圖像

三、車牌的定位

本文利用車牌區(qū)域形成的矩形邊框來進行邊緣檢測后圖像的粗定位，如圖8就是得到的彩色車牌圖像，圖粗定位后得到的帶色車牌圖像在列方向像素點值累計和：

圖8 粗定位后的彩色車牌圖像及列方向像素點值累計和

然后將得到的粗定位后的彩色車牌圖像進行二值化得到下圖：

圖9粗定位的二值車牌圖像

接著，去除二值車牌圖像的左側(cè)邊框和右側(cè)邊框，得到圖像如下：

圖10去除左側(cè)邊框和右側(cè)邊框的二值車牌圖像

上面得到的去除右側(cè)邊框的二值車牌圖像也就是精確定位的車牌二值圖像，接下來可以對這個二值圖像進行字符分割提取了。

四、車牌字符的分割

(一)車牌圖像的進一步處理

為了使在進行車牌定位時得到的定位裁剪后的車牌彩色圖像在進行字符分割時更加具體清晰，需要對圖像進一步處理。對上面得到的精確定位的二值車牌圖像進行濾波處理、在進行有選擇的腐蝕或者膨脹，然后分析提取有效的信息。最后一步再對進行車牌字符的分割，歸一化和后期圖像的處理。圖像進一步處理獲得的效果如圖11所示。

圖11形態(tài)學(xué)濾波后的車牌二值圖像

(二)基于彩色信息的彩色分割算法

常用的方式有聚類法，邊緣檢測方式，本文用到的是在車牌區(qū)域中找出具有連續(xù)字符的一塊，然后設(shè)置一個閾值，當某一塊的長度高于閾值，就判斷為該塊車牌有兩個字符是連著的，然后進行分割。改車牌分割后結(jié)果如圖12所示。

圖12分割出的字符

五、車牌字符的識別

本文采用的字符識別方法是模板匹配法[5]，就是把識別圖像當中的區(qū)域中的一些特征找出來和自定義模板中相符合的特征進行對比，然后計算出兩者的規(guī)范化的互相關(guān)量，互相關(guān)量越大則相似度越高，根據(jù)相似度判斷是否屬于同類。在本次設(shè)計模板時筆者采取的方式是一種差值的方式，即先找出字符模板，再找出要識別的字符，兩者進行差值計算，如果差值為零，那么相似度就越高，然后存相減為零或者接近零的圖片，最后判斷相似度最大的便是識別的字符[6]。本文車牌識別結(jié)果見如圖13：

圖13 識別結(jié)果

六、結(jié)束語

本文利用數(shù)字圖像處理技術(shù)對彩色圖像的車牌預(yù)處理進行了研究，實驗平臺是Matlab2018a軟件,在圖像去噪過程中，主要采用了中值濾波、均值濾波、形態(tài)學(xué)濾波。進行對比后發(fā)現(xiàn)，每種方法都有優(yōu)缺點，所以進行了改進，把中值濾波、均值濾波及形態(tài)學(xué)濾波三者結(jié)合。通過腐蝕和膨脹處理，提高了后續(xù)操作的準確率，采用基于模板匹配法的字符識別，提高了最終結(jié)果的準確率。本實驗由于模板庫的內(nèi)容只是全國省市的小部分，在未來的工作中，如果繼續(xù)豐富模板庫的內(nèi)容，以及給實驗增加一個GUI界面，本系統(tǒng)將更方便，更高的使用價值。